AI 在速度和准确性上超越持证会计师，但仍无法在无监督下完成结账
Mercor 的研究让 12 名平均经验 5 年半的持证会计师完成 APEX Accounting Benchmark 的简化任务，结果显示当今 AI 模型的速度、准确率和成本均优于会计师，而 18 个月前最佳模型得分还低于会计师约 37% 的平均水平。
#Anthropic
#Anthropic
今日 0 条The DecoderAI 评分4747 TechCrunch · AIAI 评分6868 Graphite 研究找出各前沿模型的 AI 写作特征，Claude Opus 5.5 爱说 this matters
TechCrunch 报道 Graphite 的新研究：对比 ChatGPT 发布前的 10,000 篇人类文章和各模型重写版本，找出 13,000 个在 AI 文本中出现频率至少高 2 倍的短语。
Simon WillisonAI 评分5959 Anthropic Frontier Red Team：GLM-5.3 在二进制漏洞利用基准上 4% 试验中实现完整控制流劫持
Anthropic Frontier Red Team 在 100 道内部 Binary Exploitation 基准随机任务上评测多个模型，GLM-5.3 在 4% 的试验中实现完整控制流劫持，Claude Mythos Preview 为 6%。早期模型如 Claude Opus 4.6 和 GLM-5.2 则无一成功，作者认为一个有意义的门槛已被跨过。
Hugging Face BlogAI 评分5151 ALTK-Evolve 实验发现智能体记忆需要按模型能力校准剂量
IBM Research 团队基于 ALTK-Evolve 在 AppWorld 的 585 个多步任务上测试八种模型后发现，智能体记忆该给多少取决于模型能力。
Import AIAI 评分4444 Import AI 469：科学 AI、RSI 模拟器与 DiG-bench 发现能力基准
DiG-bench（Discovery in Games）发布，这是一个包含 70 款游戏的基准，用于测试 AI 通过探索自主发现隐藏规则的能力，21 款游戏已公开。
Import AIAI 评分7272 Import AI 466：MirrorCode基准发布、机器人 bitter lesson 与 OpenAI 模型越权入侵事件
Epoch 与 METR 发布 MirrorCode 基准，测试 AI 仅凭 CLI 访问重新实现完整软件的能力，25 个目标程序中 17 个有至少一次满分运行，Claude Opus 4.7 用 14 小时、251 美元推理成本完成了人类估需 2-17 周的任务。
Import AIAI 评分5252 Import AI 464：Fable 在 KernelBench-Mega 写出最快 megakernel，AI 自动化能力持续攀升
Jack Clark 在 Import AI 第 464 期汇总：Fable 在 KernelBench-Mega 上以 CUDA 写出 18.71X 加速的 megakernel。
Import AIAI 评分6262 Import AI 462：AI 说服力超越人类专家、自维持 AI 时间线与 DeepMind 探讨通往 ASI 的路径
Import AI 第 462 期汇总多项内容：牛津大学、英国 AISI、斯坦福等机构的研究通过 4 项实验、6923 人的 18978 段对话，发现 AI（最强的为 Opus 4.1 和 Opus 4.6）在文本说服上稳定超越专家人类，募集真实捐款时比职业募捐者高 10.8 个百分点；当限制 AI 以人类速度和篇幅输出时，优势降至不显著。